核心用法
alicloud-ai-audio-tts 提供标准化的 TTS 生成接口，支持通过 DashScope SDK 调用通义千问 TTS 系列模型（qwen3-tts-flash、qwen3-tts-instruct-flash 等）将文本转换为自然人声。核心方法为 tts.generate，需传入 text（待合成文本）和 voice（音色标识）两个必填参数，可选参数包括 language_type（语言类型，默认自动检测）、instruction（风格/情绪指令，推荐用于 instruct 模型）、stream（是否流式返回，默认 false）。
非流式模式下返回 audio_url 指向的音频文件；流式模式返回 Base64 编码的 PCM 音频块（24kHz），需客户端解码播放或拼接。输出目录默认为 output/ai-audio-tts/audio/，可通过 OUTPUT_DIR 环境变量覆盖。
显著优点
- 中文场景优化：通义千问 TTS 针对中文发音、语调进行深度优化，合成效果自然度高。
- 情绪可控：通过
instruction参数可精确控制语速、语调和情感风格（如"温暖平静、略慢节奏"）。 - 流式支持：适合实时交互场景，低延迟音频输出。
- 阿里云生态集成：与阿里云 Model Studio、DashScope 平台无缝衔接，企业级 SLA 保障。
潜在缺点与局限性
- 英文表现参差：相比中文，英文及其他语种的韵律自然度可能下降。
- 音色库受限：目前仅支持预设音色（如 Cherry），无法实时自定义声线（需配合 voice-clone 或 voice-design 技能）。
- API 调用成本：按字符数计费，长文本需拆分多次调用，成本累积需关注。
- 地域限制：默认接入北京节点，国际用户需显式配置新加坡端点。
适合人群
- 短视频创作者（短剧、新闻播报配音）
- 智能客服/语音助手开发者
- 需要批量生成有声内容的出版、教育行业从业者
- 中文 TTS 高保真需求的技术团队
常规风险
- API Key 泄露：
DASHSCOPE_API_KEY需妥善保管，避免硬编码到版本控制中。 - 内容合规：生成内容需符合阿里云内容安全规范，敏感文本可能触发审核拦截。
- 网络超时：长文本或高峰期可能出现请求超时，需实现重试与降级机制。
- 缓存失效：建议按
(text, voice, language_type)缓存结果，但需注意模型更新导致的音质变化。